vestreaВестник Российского экономического университета имени Г. В. ПлехановаVestnik of the Plekhanov Russian University of Economics2413-28292587-9251Plekhanov Russian University of Economics10.21686/2413-2829-2026-2-90-102vestrea-2686Research ArticleРЕГИОНАЛЬНАЯ ЭКОНОМИКАREGIONAL ECONOMYПрогнозирование экономического развития Донецкой Народной Республики до 2040 г. с использованием нейросетевых алгоритмовForecasting Economic Development of the Donetsk People’s Republic up to 2040 by Using Neural Net AlgorithmsГагаринаГ. Ю.GagarinaG. Yu.

Галина Юрьевна Гагарина - доктор экономических наук, профессор, заведующая кафедрой национальной и региональной экономики109992, Москва, Стремянный пер., д. 36

Galina Yu. Gagarina - Doctor of Economics, Professor, Head of the Department for National and Regional Economics 

36 Stremyanny Lane, Moscow, 109992, Russian Federation 

Gagarina.GYu@rea.ruЕсинаО. И.EsinaO. I.

Ольга Игоревна Есина -кандидат экономических наук, доцент кафедры национальной и региональной экономики

109992, Москва, Стремянный пер., д. 36

Olga I. Esina - PhD, Associate Professor of the Department for National and Regional Economics

36 Stremyanny Lane, Moscow, 109992, Russian Federation

Esina.OI@rea.ruМариенЛ. С.MarienL. S.

Людмила Сергеевна Мариен - кандидат экономических наук, доцент кафедры национальной и региональной экономики

109992, Москва, Стремянный пер., д. 36

Lyudmila S. Marien - PhD, Associate Professor of the Department for National and Regional Economics

36 Stremyanny Lane, Moscow, 109992, Russian Federation

Marien.LS@rea.ruРоссийский экономический университет имени Г. В. ПлехановаРоссияPlekhanov Russian University of EconomicsRussian Federation2026310320260290102Copyright © Гагарина Г.Ю., Есина О.И., Мариен Л.С., 20262026Гагарина Г.Ю., Есина О.И., Мариен Л.С.Gagarina G.Y., Esina O.I., Marien L.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vest.rea.ru/jour/article/view/2686

В статье рассматривается подход к долгосрочному прогнозированию экономического развития Донецкой Народной Республики (ДНР) Российской Федерации на период до 2040 г. с использованием нейросетевых алгоритмов. Актуальность исследования обусловлена необходимостью встраивания экономики ДНР и города Донецка в единое экономическое пространство Российской Федерации и ограниченной полнотой статистических данных по региону, высокой неопределенностью внешней среды и задачей формирования обоснованных ориентиров стратегического планирования социально-экономического развития. В качестве методологической основы предложена гибридная генеративная модель, сочетающая условный вариационный автоэнкодер (Conditional Variational Autoencoder – CVAE), и генеративно-состязательная сеть (Wasserstein GAN – WGAN), дополненная нейросетевым механизмом импутации пропусков временных рядов (TimeVAE). Модель обучена на многомерных временных рядах социально-экономических показателей Донецкой Народной Республики и сопоставимых по структуре и отраслевому набору регионов Российской Федерации (Ростовская, Свердловская и Кемеровская области), что позволяет учитывать как общие закономерности регионального развития, так и специфику исследуемой территории. Проведена проверка модели на выбранных регионах, которая продемонстрировала устойчивое качество прогнозирования на горизонте до двух лет. На основе настроенной модели сформирован базовый сценарий динамики валового регионального продукта и ключевых макроэкономических индикаторов ДНР до 2040 г. Полученные результаты указывают на потенциал восстановительного роста экономики региона с постепенным переходом к умеренным темпам развития в долгосрочной перспективе. В работе анализируются особенности сглаженной траектории прогноза, обусловленные вероятностной природой генеративной модели, характером исходных данных и встроенными экономическими ограничениями. Обсуждаются преимущества и ограничения предложенного подхода, а также возможности его использования в системе стратегического планирования регионального развития.

The article studies the approach to long-term forecasting of the economic development of the Donetsk People’s Republic (DPR) in the Russian Federation for the period up to 2040 by using neural net algorithms. The research is quite acute, which is stipulated by the necessity to build DPR and the city of Donetsk economy into unified economic space of the Russian Federation and by limited volume of statistic data of the region, by high uncertainty of the external environment and the goal of shaping well-grounded land-marks of strategic planning of social and economic development. The hybrid generative model combining Conditional Variational Autoencoder (CVAE) and generative-competitive net Wasserstein GAN (WGAN) supplemented by neural net mechanism of imputing time series gaps (TimeVAE) was put forward as a methodological basis of the research. The model was taught on multivariate time series of social and economic indicators of the Donetsk People’s Republic and regions of the Russian Federation comparable by structure and set of industries, such as Rostov, Sverdlovsk and Kemerovo regions. It can help take into account both common regularities of regional development and specific features of the territory being studied. The model was tested on selected regions and showed sustainable quality of forecasting for the period up to 2 years. On the basis of adjusted model the principle scenario of dynamics of gross regional product and key macro-economic indicators in DPR up to 2040 was developed. The obtained figures demonstrate the potential of restoration growth of regional economy with gradual transition to moderate growth rates in the longterm. The research analyzes specificities of smooth trajectory of the forecast stipulated by probabilistic nature of the generative model, character of initial data and in-built economic restrictions. Benefits and restrictions of the proposed approach are being discussed, as well as opportunities of its use in the system of strategic planning of regional development.

нейросетевые моделигенеративные алгоритмывариационный автоэнкодерэкономическое моделированиеваловой региональный продуктдолгосрочный прогнозneural net modelsgenerative algorithmsvariational autoencodereconomic modelinggross regional productlong-term forecastReferencesБарщевский Е. Г. Генеративно-состязательные нейронные сети // East European Scientific Journal. – 2024. – № 01 (98). – С. 4.Barshchevskiy E. G. Generativno-sostyazatelnye neyronnye seti [Generative-Competitive Neural Nets]. East European Scientific Journal, 2024, No. 01 (98), p. 4. (In Russ.).Долгих Е. А., Кудряшова Т. В. Прогнозирование инфляции на уровне региона в краткосрочном периоде на основе использования модели векторной авторегрессии // BENEFICIUM. – 2023. – № 2 (47). – С. 41–56.Dolgikh E. A., Kudryashova T. V. Prognozirovanie inflyatsii na urovne regiona v kratkosrochnom periode na osnove ispolzovaniya modeli vektornoy avtoregressii [Forecasting Inflation on Regional Level in the Short-Term Period Based on Model of Vector Autoregression]. BENEFICIUM, 2023, No. 2 (47), pp. 41–56. (In Russ.).Кетова К. В., Касаткина Е. В., Вавилова Д. Д. Кластеризация регионов Российской Федерации по уровню социально-экономического развития с использованием методов машинного обучения // Экономические и социальные перемены: факты, тенденции, прогноз. – 2021. – Т. 14. – № 6. – С. 70–85.Ketova K. V., Kasatkina E. V., Vavilova D. D. Klasterizatsiya regionov Rossiyskoy Federatsii po urovnyu sotsialno-ekonomicheskogo razvitiya s ispolzovaniem metodov mashinnogo obucheniya [Clasterization of Russian Regions by Level of Social and Economic Development by Using Methods of Machine Learning]. Ekonomicheskie i sotsialnye peremeny: fakty, tendentsii, prognoz [Economic and Social Changes: Facts, Trends, Forecast], 2021, Vol. 14, No. 6, pp. 70–85. (In Russ.).Чуб В. С. Использование рекуррентных нейронных сетей для анализа временных рядов и выявления тенденций в данных // Образовательные ресурсы и технологии. – 2024. – № 2 (47). – С. 91–102.Chub V. S. Ispolzovanie rekurrentnykh neyronnykh setey dlya analiza vremennykh ryadov i vyyavleniya tendentsiy v dannykh [The Use of Recurrent Neural Nets to Analyze Time Series and Find Trends in Data]. Obrazovatelnye resursy i tekhnologii [Education Resources and Technologies], 2024, No. 2 (47), pp. 91–102. (In Russ.).Яркова О. Н. Импутация данных методом статистического моделирования // Электронный научный журнал «Инженерный вестник Дона». – 2023. – № 6. – С. 1–18.Yarkova O. N. Imputatsiya dannykh metodom statisticheskogo modelirovaniya [Im- Putting Data by Method of Statistic Modeling]. Elektronniy nauchniy zhurnal «Inzhenerniy vestnik Dona» [E-Academic Journal ‘Engineering Bulletin of Don’], 2023, No. 6, pp. 1–18. (In Russ.).Kingma D. P., Welling M. Auto-Encoding Variational Bayes // Proceedings of the 2nd International Conference on Learning Representations. – 2014. – URL: https://www2.cs.arizona.edu/~pachecoj/courses/csc665-1/papers/kingma_vae_14.pdfKingma D. P., Welling M. Auto-Encoding Variational Bayes. Proceedings of the 2nd International Conference on Learning Representations. 2014. Available at: https://www2.cs.arizona.edu/~pachecoj/courses/csc665-1/papers/kingma_vae_14.pdfTailoring Generative Adversarial Networks for Smooth Airfoil Design. – URL: https://arxiv.org/html/2404.11816v1Tailoring Generative Adversarial Networks for Smooth Airfoil Design. Available at: https://arxiv.org/html/2404.11816v1

The authors declare that there are no conflicts of interest present.